Multi-Fidelity Modeling and Adaptive Co-Kriging Based Optimization for All-Electric GEO Satellite Systems
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
All-electric GEO satellite systems design is a challenging multidisciplinary design optimization (MDO) problem, which is computation-intensive due to the employment of expensive simulations. In this paper, the all-electric GEO satellite MDO problem with multi-fidelity models is investigated. The MDO problem involving six inter-coupled disciplines is formulated to minimize the total mass of the satellite system subject to a number of engineering constraints. To reduce the computational cost of the multidisciplinary analysis (MDA) process, multi-fidelity transfer dynamics models and finite element analysis (FEA) models are developed for the geosynchronous transfer orbit (GTO) and structure disciplines respectively. To effectively solve the all-electric GEO satellite MDO problem using multi-fidelity models, an adaptive Co-Kriging based optimization framework is proposed. In this framework, the samples from a high-fidelity MDA process are integrated with those from a low-fidelity MDA process to create a Co-Kriging metamodel with moderate computational cost for optimization. Besides, for refining the Co-Kriging metamodels, a multi-objective adaptive infill sampling approach is developed to produce the infill sample points in terms of expected improvement (EI) and probability of feasibility (PF) functions. Optimization results show that the proposed optimization framework can significantly reduce the total mass of satellite system with limited computational budget, which demonstrates the effectiveness and practicality of the multi-fidelity modeling and adaptive Co-Kriging based optimization framework for all-electric GEO satellite systems design.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle